新型分阶段粒子群优化算法

doi:10.3778/j.issn.1002-8331.2008.24.023

计算机工程与应用 ›› 2008, Vol. 44 ›› Issue (24): 81-82.DOI: 10.3778/j.issn.1002-8331.2008.24.023

新型分阶段粒子群优化算法

曾传华¹,申元霞^1,2

1.重庆文理学院数学与计算机科学系，重庆 402160
2.西南交通大学信息科学与技术学院，成都 610031

收稿日期:2007-10-25 修回日期:2008-01-17 出版日期:2008-08-21 发布日期:2008-08-21
通讯作者: 曾传华

Novel multistage Particle Swarm Optimization algorithm

ZENG Chuan-hua¹,SHENG Yuan-xia^1,2

1.Department of Mathematic & Computer Science，Chongqing University of Arts and Science，Chongqing 402160，China
2.Department of Information Science and Technology，Southwest Jiaotong University，Chengdu 610031，China

Received:2007-10-25 Revised:2008-01-17 Online:2008-08-21 Published:2008-08-21
Contact: ZENG Chuan-hua

摘要/Abstract

摘要： 针对粒子群优化算法的“早熟”问题，提出了一种新型分阶段粒子群优化算法。该算法通过调整惯性权重和加速系数使粒子自组织地跟踪局部吸引域和全局吸引域来扩大粒子的搜索空间和提高粒子的收敛精度，同时根据粒子处于不同的阶段实施相应的变异策略来增加种群的多样性。通过经典函数的测试结果表明，新算法的全局搜索能力有了显著提高，并且能够有效避免早熟问题。

关键词: 粒子群优化算法, 惯性权重, 加速系数

Abstract: A novel multistage particle swarm optimization is developed for solving premature convergence of particle swarm optimization.The particles are organized to track the domain of attraction of local optimum for enlarging search space and the domain of attraction of global optimum for improving convergence performance by adaptively adjusting the acceleration coefficients and the inertia weight.Meanwhile the corresponding strategies with mutation are adopted in different stages of the new algorithm to further enhance diversity of population.Experimental results for complex function optimization show this algorithm improves the global convergence ability and efficiently prevents the algorithm from the local optimization and early maturation.

Key words: Particle Swarm Optimization（PSO）, inertia weight, acceleration coefficients

曾传华¹,申元霞^1,2. 新型分阶段粒子群优化算法[J]. 计算机工程与应用, 2008, 44(24): 81-82.

ZENG Chuan-hua¹,SHENG Yuan-xia^1,2. Novel multistage Particle Swarm Optimization algorithm[J]. Computer Engineering and Applications, 2008, 44(24): 81-82.

[1]	孙泽宇，徐琛，苏艳超，李传锋，聂雅琳. 雾计算中跨层感知分簇路由协议[J]. 计算机工程与应用, 2021, 57(9): 109-117.
[2]	张公凯，陈才学，郑拓. 改进鲸鱼算法在电动汽车有序充电中的应用[J]. 计算机工程与应用, 2021, 57(4): 272-278.
[3]	陈万芬，王宇嘉，林炜星. 异构集成代理辅助多目标粒子群优化算法[J]. 计算机工程与应用, 2021, 57(23): 71-80.
[4]	陈雷，尹钧圣. 高斯差分变异和对数惯性权重优化的鲸群算法[J]. 计算机工程与应用, 2021, 57(2): 77-90.
[5]	廖玮霖，程杉，尚冬冬，魏昭彬. 多策略融合的粒子群优化算法[J]. 计算机工程与应用, 2021, 57(1): 69-76.
[6]	张鑫1，邹德旋1，肖鹏1，喻秋2. 自适应简化粒子群优化算法及其应用[J]. 计算机工程与应用, 2019, 55(8): 250-263.
[7]	郑朝鑫1，2，董晨1，3，贺国荣1，3，陈荣忠1，3，熊子奇1，3. 基于改进粒子群算法的动态3D实时建模技术[J]. 计算机工程与应用, 2019, 55(5): 65-71.
[8]	马炫，刘栋，胡家鑫. 求解必经点k条最优路径问题的粒子群优化算法[J]. 计算机工程与应用, 2019, 55(20): 89-94.
[9]	陆文星，李楚. 改进PSO算法优化LSSVM模型的短期客流量预测[J]. 计算机工程与应用, 2019, 55(18): 247-255.
[10]	党婷婷，林丹. 含有动态自适应惯性权重的蜘蛛猴优化算法[J]. 计算机工程与应用, 2019, 55(14): 40-47.
[11]	李龙澍1，2，张效见2. 一种新的自适应惯性权重混沌PSO算法[J]. 计算机工程与应用, 2018, 54(9): 139-144.
[12]	郭世伟，孟昱煜，陈绍立. 改进的PSOGM算法在动态关联规则挖掘中的应用[J]. 计算机工程与应用, 2018, 54(8): 160-165.
[13]	黄霞1，2，叶春明1，郑军1. 混合改进搜索策略的鸡群优化算法[J]. 计算机工程与应用, 2018, 54(7): 176-181.
[14]	胡震，邹德旋，张旭. R-dPSO算法及其在ATO控制策略中的应用[J]. 计算机工程与应用, 2018, 54(24): 212-220.
[15]	段艳明，肖辉辉，林芳. 新授粉方式的花授粉算法[J]. 计算机工程与应用, 2018, 54(23): 94-108.

新型分阶段粒子群优化算法

Novel multistage Particle Swarm Optimization algorithm

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics